连续时间动态图上的长程传播
机器学习
2025-03-13 v1
摘要
学习连续时间动态图（C-TDGs）需要准确地建模在不规则采样事件流中的时空信息。尽管近期提出了许多方法，但我们发现大多数基于消息传递、循环或自注意力的方法在处理长程任务时表现不佳。这些任务需要关联当前事件较远处发生的信息，既可能在空间上（更高阶节点信息）也可能在时间维度上（过去发生的事件）。为了解决长程依赖问题，我们引入连续时间图反算子网络（CTAN）。基于常微分方程框架，Our方法设计用于高效的信息传播。本文我们展示，CTAN的(i)长程建模能力得到理论证明，(ii)在合成长程基准和真实世界基准上的实际性能优于其他方法。我们的结果表明，CTAN能够有效地在C-TDGs中传递长程信息，同时鼓励将长程任务纳入动态图模型的评估中。
引用
@article{arxiv.2406.02740,
title = {Long Range Propagation on Continuous-Time Dynamic Graphs},
author = {Alessio Gravina and Giulio Lovisotto and Claudio Gallicchio and Davide Bacciu and Claas Grohnfeldt},
journal= {arXiv preprint arXiv:2406.02740},
year = {2025}
}
备注
Accepted at ICML 2024 (https://openreview.net/forum?id=gVg8V9isul)